使用深度学习图像重建的超低剂量鼻外腔CT的定量和定性评估:与混合代重建的比较

科学领域:

• 放射学 放射学是指放射学
• 医疗成像医学成像
• 图像重建 图像的重建

背景情况:

• 超低剂量计算机断层扫描 (CT) 对于鼻 (PNS) 成像至关重要,特别是对于需要重复扫描或功能内镜外科手术 (FESS) 计划的患者.
• 尽量减少辐射暴露是CT成像的一个关键问题,需要先进的重建技术.
• 传统的代重建 (IR) 方法可能在非常低的辐射剂量下保持图像质量的局限性.

研究的目的:

• 量化和定性地评估深度学习图像重建 (DLR) 性能与混合代重建 (IR) 对超低剂量的PNS CT.
• 评估DLR对图像噪声,信号噪声比 (SNR),对比噪声比 (CNR) 和图像清晰度的影响.
• 为了确定DLR在手术前鼻成像中的诊断效果.

主要方法:

• 对132名接受非对比性超低剂量鼻腔CT (0.03mSv) 的患者进行了回顾性分析.
• 图像重建使用混合IR和DLR算法进行.
• 客观指标 (噪声,SNR,CNR,噪声功率谱,感知敏度) 和主观放射科医生评估被用来评估图像质量.

主要成果:

• 与混合IR (140.70 ± 16.04 HU) 相比,DLR显示的图像噪声显著降低 (28.62 ± 4.83 HU).
• DLR产生了优越的SNR (22.47 ± 5.82与9.14 ± 2.45) 和CNR (71.88 ± 14.03与11.81 ± 1.50).
• 使用DLR重建的图像明显更清晰 (0.56±0.04) 并且在整体质量,骨头可视化和放射科医生诊断信心方面被评为更高.

结论:

• 深度学习图像重建 (DLR) 在超低剂量的鼻外鼻CT中显著优于混合代重建 (IR).
• DLR有效地减少图像噪声,增强SNR和CNR,并提高图像清晰度,同时保持解剖细节.
• 具有DLR的超低剂量CT为术前规划提供了足够的图像质量,最大限度地减少了辐射暴露,并提高了患者的安全.